MODEL OPTIMISASI PORTOFOLIO MENGGUNAKAN HIMPUNAN...
Transcript of MODEL OPTIMISASI PORTOFOLIO MENGGUNAKAN HIMPUNAN...
MODEL OPTIMISASI PORTOFOLIO MENGGUNAKAN HIMPUNAN FUZZY
KARYA ILMIAH
SUDRADJAT
JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS PADJADJARAN 2009
MENGETAHUI
Prof. Dr. Budi Nurani Ruchjana, MS Guru Besar Matematika FMIPA Unpad
MODEL OPTIMISASI PORTOFOLIO DENGAN MENGGUNAKAN HIMPUNAN FUZZY
Sudradjat*) [email protected] , [email protected]
1. Pendahuluan
Pada pertengahan abad ke 1952, H. Markowitz mempelopori teori financial modern
yang dikenal dengan model meanvarians portofolio seleksi. Teori tersebut akan
memudahkan dan menginspirasi dalam permasalahan financial. Zhou dan Lie 2000
mengembangkan model “Markowitz complete continuous-time financial market”.
Varians mempunyai peran yang penting dalam pengukuran risiko. Banyak para peneliti
mengemukakan bagaimana melakukan pengukuran risiko dalam investasi, begitu juga
semivarians yang dikemukakan oleh Markowitz. Pada framework mean-risk, hanya
mean-varians yang telah diterima pada discete-time market.
Masalah optimisasi portofolio pada suatu asset terbatas adalah masalah klasik dalam
teori dan perhitungan financial. Markowitz 1952, pertama kali mengemukakan bahwa
penampilan portofolio seharusnya diukur dalam dua dimensi yang berbeda, yaitu rata-rata
yang menggambarkan ekspektasi return, dan risiko yang mengukur ketidakpastian return.
Salah satu pendekatan teori terhadap masalah portofolio seleksi adalah stokastik
dominance.
*) Staf dosen Jurusan Matematika FMIPA Unpad.
Optimisasi portofolio adalah merupakan target return diatas kenaikan (rate) risiko
bebas pada pasar tertentu dimana untuk waktu yang sama dapat menjamin pencapaian
kenaikan return minimum, salah satu teori yang dapat digunakan untuk mencapai target
tersebut adalah teori keputusan fuzzy. Teorri keputusan fuzzy menyediakan framework
analisis yang sangat baik seperti yang kemukakan oleh Supian, 2007 [30, 31] dan Supian,
2008 . Karena permasalahan dalam dunia praktis membutuhkan teori untuk memeriksa
berbagai macam skenario pasar dan setiap sekenario pasar digambarkan kedalam bentuk
fungsi tujuan.
Para investor menyadari investasi yang dilakukan untuk mendapatkan return yang
mengandung konsekuensi risiko. Para investor sebenarnya tidak mengetahui secara pasti
seberapa besar hasil yang akan diperoleh dari investasi yang dilakukan. Namun demikian
para investor dapat memperkirakan berapa keuntungan yang diharapkan dan seberapa
besar kemungkinan hasil yang sebenarnya akan menyimpang dari yang diharapkan.
Upaya melakukan diversifikasi dapat diwujudkan dengan cara mengkombinasikan
berbagai pilihan saham dalam investasinya. Melalui portofolio saham para investor
berusaha memaksimumkan keuntungan yang diharapkan dari investasi dengan tingkat
risiko tertentu atau berusaha meminimumkan risiko untuk sasaran tingkat keuntungan
tertentu. Permasalahannya jenis saham apa yang akan dipilih dalam portofolionya, dan
para investor cenderung memilih portofolio yang optimal, yaitu yang sesuai dengan
preferensinya terhadap keuntungan serta risiko yang ditanggung. Pada analisis keuangan
dikenal dua macam model analisis optimisasi portofolio yaitu stochastic dominance dan
single index model.
Pada karya ilmiah ini akan dibahas dua model optimisasi portofolio, pertama
model optimisasi portofolio dengan pembatas stochastic dominance, kemudian model ini
diselesaikan dengan menggunakan pemrograman linear fuzzy lebih khusus lagi dengan
menggunakan linear membership function dan kedua pendekatan model posibilistik VaR
pada portofolio seleksi.
2
2. Stokastik dominance
Relasi dari stokastik dominance merupakan konsep dasar dari teori keputusan dan
ekonomi, Dentcheva dan Ruszczynski 2003, Hanoch dan Levy 1969, Quirk dan Saposnik
1962 dan Rothschild 1969. Model dasar stokastik optimisasi diformulasikan sebagai
berikut:
max [ ( , )]Z
Ez
z , (2.1)
dimana ω adalah kejadian dasar pada ruang probabilitas ),,( PF , z adalah vector
keputusan yang sesuai dengan ruang Z , dan RZ: . Himpunan
didefinisikan secara eksplisit, atau beberapa kendala yang mempengaruhi kejadian dasar
ω dan harus memenuhi probabilitas yang tepat. Model Optimisasi Stokastik pertama kali
dikembangkan oleh Lehmann 1955 dan Hanoch dan Levy 1969. Teori matematika dari
model-model ekspektasi melibatkan keputusan dua-stage dan multi-stage telah
dikembangkan oleh Wets 1999 dan Birge 1997, sedangkan model-model yang
melibatkan kendala-kendala probabilitas diawali oleh Charnes dan Cooper 1959, Prekopa
1979, Dentcheva dan Ruszczynski 2003 membahas secara lengkap teori dan metode
numerik untuk model linear dengan satu kendala probabilistik dengan beberapa
pertidaksamaan secara terbatas.
ZZ
Dalam pendekatan stokastik dominance, random return merupakan hasil dari
perbandingan titik-pertitik (point-wise) dari beberapa fungsi performansi yang
dikonstruksi dari fungsi distribusinya. Untuk variabel acak V , bentuk fungsi
didefinisikan dengan fungsi distribusi kontinu kanan dari V :
}{),( VVF P untuk R .
Random return V dikatakan stokastik dominance orde pertama (Dentcheva dan
Ruszczynski, 2003, Lehmann, 1955 dan Quirk dan Saposnik, 1962), ditulis SV FSD ,
jika
);();( SFVF untuk semua R .
3
Tentukan fungsi dengan );(2 VF
untuk
dVFVF );();(2 R , (2.2)
fungsi integral adalah fungsi tidak naik, ini adalah fungsi konveks dari dan ditentukan
dengan relasi lemah (weak relation) dari orde dua stokastik dominance (SSD). Hal ini
menunjukkan bahwa random return adalah stokastik dominance orde dua, ditulis V S
SV SSD , jika
);();( 22 SFVF untuk semua R .
Hubungan kuat relasi dominance untuk FSD dan SSD adalah didefinisikan dengan:
jika dan hanya jika SV SV , VS .
Lebih penting lagi, untuk , dapat didefinisikan secara rekursif fungsi-
fungsi
),,( PV FLm
untuk
dVFVF kk ),();( 1 1,3k mR, . (2.3)
Juga untuk dapat didefinisikan secara rekursif fungsi-fungsi ),,( PV FLm
dVFVF kk ),();( 1 untuk 1,3k mR, . (2.4)
Gambar 2.1 Stokastik dominance orde pertama
4
untuk RE
forXdXFXF )();();( 12 R
Gambar 2.2 Stokastik dominance orde dua
Definisi 2.1. (Dentcheva dan Ruszczy´nski 2003) Suatu variabel acak
dominance orde ke-k terhadap variabel acak jika, ),,(1-k PX FL ),,(1-k PY FL
);();( YFXF kk untuk semua R . (2.5)
Relasi (2.5) dapat dituliskan
YX k )( (2.6)
dan himpunan X memenuhi relasi
}:),,({)( )(1 YXPXYA k
kk FL . (2.7)
Dengan menukarkan orde dari integrasi dapat diperlihatkan fungsi juga
ekpektasi shortfall (Rockafellar and Uryasev, 2002): untuk semua target nilai
);(2 VF
,
diperoleh
)();(2 VEVF , (2.8)
dimana )0,max()( VV . Fungsi );(2 VF adalah kontinu, konveks, nonnegatif
dan tak naik. Hal ini didefinisikan untuk semua variabel acak V dengan nilai ekspektasi
terhingga.
5
3. Masalah Portofolio
Proses portofolio seleksi dibagi dalam dua stage. Stage pertama mulai dengan
observasi dan pengalaman dan diakhiri dengan kenyakinan performansi masa depan.
Stage kedua mulai dengan kenyakinan yang relevan tentang performansi masa depan dan
berakhir dengan memilih portofolio, Markowitz, 1987.
Asumsi dasar masalah standar untuk portofolio seleksi adalah sebagai berikut:
(a) n sekuritas,
(b) inisialisasi dari jumlah dana yang diinvestasikan,
(c) permulaan periode pesanan,
(d) akhir periode pesanan,
dan tentukan sebagai bobot proporsi dari yang diinvestasikan inivestor. Ini
adalah proporsi dari jumlah awal yang diinvestasikan dalam n sekuritas di awal dari
holding periode yang menjelaskan portofolio untuk dipastikan sampai akhir dari holding
periode. Standar view adalah hanya ada satu tujuan di seleksi portofolio dan untuk
memaksimalkan portofolio return, prosentase return didapat dari portofolio holding
periode.
nxx ,,1
Misalkan adalah random returns dari aset nRR ,...,1 n,1 . Asumsikan bahwa [| |]<∞
untuk semua
jR
nj ,1 . Notasikan pembagian modal investasi dari asset nxx ,...,1 n,1 ,
maka model total return dapat dituliskan:
. (3.1) nn xRxRxR ...)( 11
Himpunan alokasi aset yang mungkin dapat dirumuskan:
njxxxxX jnn ,...,1,0,1...: 1 R
Rata return )()( xRx E .
Varians return )()( xRarx V ,
6
Rata-rata risiko:
,/
)()(max
Xxts
xxXx
(3.2)
dimana, adalah parameter nonnegatif yang merepresentasikan perubahan rate dari rata-
rata risiko. Jika 0 , tidak mempunyai nilai risiko dan masalah direduksi menjadi
maksimasi rata-rata. Jika 0 pilih salah satu dari rata-rata dan risiko.
Pendekatan lainnya adalah dengan memilih fungsi utilitas , model
optimisasinya dirumuskan sebagai berikut:
RR :u
. (3.3) )(max xRuXxE
Fungsi u(·) pada umumnya adalah concave dan tak naik. Dalam pendekatan stokastik
dominance, random returns dibandingkan dengan cara point-wise dari beberapa bentuk
fungsi yang dibentuk dari distribusi fungsi. Untuk variabel acak real V, bentuk fungsi
pertama didefinisikan sebangai kontinu kanan distribusi fungsi kualitatif dari V :
)();( VVF P untuk R .
Random return V, dikatakan stokastik dominance orde pertama terhadap random return S
, dinotasikan SV FSD , jika
);();( SFVF untuk R .
Bentuk kedua fungsi , diberikan dari area di bawah distribusi fungsi F, 2F
dVFVF );();(2 untuk R .
dan defnisikan relasi yang lemah dari order kedua stokastik dominance (SSD). Random
return V stokastik dominance ke S orde dua, dinotasikan SV SSD , jika
);();( 22 SFVF untuk R .
Portofolio x mendominasi portofolio y di bawah aturan FSD, jika
));(());(( yRFxRF untuk semua R ,
7
dan x mendominasi di bawah aturan SSD y ))()(( yRxR SSD , jika
));(());(( 22 yRFxRF untuk semua R .
Relasi stokastik dominance mempunyai peranan penting dalam teori keputusan, telah
diketahui bahwa )()( yRxR FSD jika dan hanya jika
, (3.4) ))](([))](([ yRuExRuE
untuk berbagai fungsi tak turun u(.) dimana nilai ekspektasinya adalah terbatas.
Selanjutnya, )()( yRxR SSD jika dan hanya jika (3.4) tidak turun dan concave, yang
mana nilai ekspektasi terbatas dapat dilihat pada Dentcheva dan Ruszczy´nski 2003.
Portofolio x disebut SSD-effisient (atau FSD-effesient) dalam sebuah himpunan
portofolio X jika tidak terdapat Xy seperti (or ). ))()(( xRyR SSD ))()(( xRyR FSD
Pembahasan difokuskan pada relasi SSD, karena konsistensinya dengan tampilan
preferensi yang berlawanan dengan risiko: jika , maka portofolio x
lebih disukai dari y dengan semua risiko averse decision makers.
))()(( xRyR SSD
Definisi 3.1 (Ruszczy´nski dan Vanderbei, 2002) Model mean-risk ),( adalah konsisten
terhadap SSD dengan koefisien 0 , jika relasi berikut dipenuhi
)()()()()()( yyxxyRxR SSD untuk semua 0 .
Perhatikan model optimisasi berikut (Dentcheva dan Ruszczy´nski, 2003):
(3.5) )(xfmaksimasi
kendala YxR )2()( , (3.6)
, (3.7) Xx
dimana RXf : adalah fungsi kontinu concave dituliskan, dan ini
akan tetap memiliki solusi nontrivial, dengan melihat sifat dominance constraints.
)]([)( xRxf E
8
Proposisi 3.1 (Dentcheva dan Ruszczy´nski, 2003) Asumsikan bahwa Y suatu distribusi
diskrit dengan realisasi miyi ,1, , maka relasi (2.6) ekuivalen dengan
iYyxRy ],)[(]))([( EE . (3.8)
Asumsikan bahwa return memiliki joint distribusi distkrit dengan relasi , t = 1, . . . , T, tjr
nj ,1 , probabilitas , t = 1, 2, . . . , T. Dengan memasukkan variabel yang
merepresentasikan shortfall dari R(x) di bawah pada realisasi t, i = 1, . . . ,m and
, maka Proposisi 2 (Dentcheva dan Ruszczy´nski, 2003) dikembangkan oleh Supian
2007 [30,31] dan Supian, 2008 sebagai berikut.
tp its
iy
Tt ,,1
Proposisi 3.2 Jika diasumsikan bahwat njR j ,...,1, , dan Y berdistribusi diskrit maka
permasalahan (3.5)–(3.7) adalah ekivalen dengan permasalahan
(3.9) )(xfmaksimasi
kendala , iitj
n
jjt ysxr
1
Ttmi ,...,1,,...,1 , (3.10)
, );(21
iit
T
tt yYFsp
,,...,1 mi (3.11)
(3.12) 0s tm ,...,1,,...,1 it i T
(3.13)
n
jjx
1
1
(3.14)
n
jjx
1
1
0 , j=1,…,n, (3.15) jx
dan hal ini ekivalen dengan :
(3.16)
n
jjj XcmaksimasiXmaksimasi
1
)(
kendala, , (3.17) mmTibxamTn
jijij
2,...,1,1
, 0 mTnjjX ,...,1 (3.18)
dimana , ),...,,...,,...,,,...,,,...,( 12211111 mTmTTn ssssssxxX
9
lainnya
iTnnjandTKmKKmi
TKmKKmiinjr
aij
ij
,0
1)1(,...,1)1(,...,0,)1(,...,1,1
)1(,...,0,)1(,...,1,,...,1,
lainnya
mTinjaij ,0
1,,..,1,1
lainnya
mTinjaij ,0
2,,..,1,1
,,0
2,...,3,,...,1,...,1)1(,)1(
lainnya
mmTmTimKandTKnKTnjpa KTnj
ij
bentuk tabel dari permasalahan (3.16)-(3.18) dapat dilihat pada Lampiran.
4. Masalah Portofolio dengan Koefisien Teknologi Fuzzy
Pada bagian ini model portofolio seleksi (Darinka dan Ruszczy´nski 2003) akan
dibahas menggunakan pendekatan teori keputusan fuzzy Supian 2007 [31,32] dan Supian
2008.
Ambil masalah pemrograman linear (2.20)-(2.22) dengan koefisien teknologi
fuzzy, Supian 2007 [31,32] dan Supian 2008.
(4.1)
n
jjj XcmaksimasiXmaksimasi
1
)(
kendala , i
mTn
jjij bXa
1
~ mmTi 2,...,1 , (4.2)
0 , jX mTnj ,...,1 . (4.3)
Asumsi 4.1. Supian 2007 [31,32] ija~ adalah fuzzy number dengan fungsi keanggotaan
linear:
(i) 1. Untuk i=Km+1,…,(K+1)m, K=0,…,(T-1) dan j=1,…,n
10
,0
,/)(
,1
)(
ijij
ijijijijijij
ij
a
drtif
drtrifdtdr
rtif
tij
2. Untuk i=Km+1,…,(K+1)m, K=0,…,(T-1) dan j=n+T(i-Km-1)+K+1
,10
,11/)1(
11
)(
ij
ijijija
dtif
dtifdtd
tif
tij
(ii) Untuk i=mT+3, …, mT+2+m; K=1,…m dan j=n+T(K-1)+1,…,n+TK
,
)1(
)1(
)1()1(
)1(
0
,/)(
,1
)(
ij
ijijijKTnja
dptif
dptpifdtdp
ptif
t
KTnj
KTnjKTnj
KTnj
ij
dimana dan untuk semua Rt 0ijd ,2,,1 mmTi dan
. Untuk kefuzzian pada masalah ini, pertama dibentuk fungsi objektif
fuzzy. Hal ini dengan menghitung batas atas dan batas bawah dari nilai optimal petama.
Batas-batas nilai optimal dan diperoleh dari penyelesaian masalah standar
pemrograman linear.
)1(,,0 TK
mTn ,j ,1
lz uz
)(1 Xmaksimasiz (4.4)
kendala , i=1,…,mT+m+2 (4.5) ij
mTn
jij bXa
1
, j = 1,…,n+mT, (4.6)
dan
0jX
)(2 Xmaksimasiz (4.7)
kendala , i=1,…,mT+m+2 (4.8) ij
mTn
jij bXa
1
ˆ
, j = 1,…,n+mT, (4.9) 0jX
dimana
11
lainnyad
iTnnjandTKmKKmid
TKmKKmiinjdr
a
ij
ij
ijij
ij
,
1)1(,...,1)1(,...,0,)1(,...,1,1
)1(,...,0,)1(,...,1,,...,1,
ˆ
lainnyad
mTinjda
ij
ijij ,
1,,..,1,1ˆ
lainnyad
mTinjda
ij
ijij ,
1,,..,1,1ˆ
lainnyad
mmTmTimKdanTKnKTnjdpa
ij
ijKTnjij ,
2,...,3,,...,1,...,1)1(,ˆ )1(
Fungsi objektif diberikan antara dan juga koefisien teknologi antara
dan . Berikan dan
1z 2z
max(
ija
ijij da ),min( 21 zzz l ), 21 zzz u . Maka dan secara
berturut- turut disebut batas bawah dan batas atas dari nilai optimal.
lz uz
Asumsi 4.2. Supian 2007 [31,32] Linear crisp pada masalah (4.4)-(4.6) dan (4.7)-(4.9)
menpunyai nilai optimal terbatas. Dalam kasus ini himpunan fuzzy dari nilai optimal, G,
dimana G adalah subset dari nR , ditentukan pada Gasimov, 2002,
(4.10)
n
jjj
n
jjj
n
jjj
n
jjj
G
zXcif
zXczifzzzXc
zXcif
X
1
11
1
.1
)/()(
0
)(
u
ullul
l
Himpunan fuzzy pada kendala ke-i, , yang merupakan subset dari iC mR , didefinisikan:
(i) 1. Untuk i=Km+1,…,(K+1)m dan K=0,…,(T-1)
12
)(XiC = (4.11)
n
jjijiji
n
j
n
jjijijijij
n
j
n
jjijjiji
n
jjiji
Xdrb
XdrbXrXdXrb
Xrb
1
1 11 1
1
)(,1
)(,/)(
,0
(ii) 2. untuk i=Km+1,…,(K+1)m, dan K=0,…,(T-1)
)(XiC
),(
1
),(
1
),(
1
),(
1 1
),(
1
)1(,1
)1(,/)(
,0
Kin
njjiji
Kin
nj
Kin
njjijij
Kin
nj
n
jjijji
Kin
njji
Xdb
XdbXXdXb
Xb
(4.12)
dimana n(i,K)=n+T(i-Km-1)+K+1
(iii) Untuk i=mT+3, …, mT+2+m dan K=1,…, m
)(XiC = (4.13)
TKn
KTnjjijKTnji
TKn
KTnj
TKn
KTnjjijKTnjijKTnj
TKn
KTnj
TKn
KTnjjijjKTnji
TKn
KTnjjKTnji
Xdpb
XdpbXpXdXpb
Xpb
)1()1(
)1( )1()1()1(
)1( )1()1(
)1()1(
)(,1
)(,/)(
,0
Dengan menggunakan definisi keputusan fuzzy dari Bellman and Zadeh, 1970,
didapatkan
))((min),(min()( XXXjC
jGD ,
sehingga ))((min),(min(max))((max
00XXX
jCj
Gx
Dx
.
13
Konsekuensinya, masalah (4.1)-(4-3) menjadibentuk optimisasi di bawah ini
maksimasi (4.14)
)(XG (4.15)
21)( mmTiXiC (4.16)
, 0jX 10 , mTj ,...,1 . (4.17)
Dengan menggunakan persamaan (4.10) dan (4.11)-(4.13), dapat dirumuskan
teorema berikut:
Teorema 4.1 Supian 2007 [31,32] Masalah (4.1)-(4.3) direduksi menjadi salah satu dari
masalah crisp berikut ini:
maksimasi (4.18)
(4.19) 0)( 21
21
zXczzn
jjj
,
mTn
jijij bXa
1
0)(ˆ 2,...,1 mmTi (4.20)
, 0 10 jX , mTj ,...,1 , (4.21)
dimana
lainnyad
iTnnjdanTKmKKmid
TKmKKmnjdr
a
ij
ij
ijij
ij
,
1)1(,...,1)1(,...,0,)1(,...,1,1
)1(,...,0,)1(,...,1,,...,1,
)(ˆ
lainnyad
mTinjda
ij
ijij ,
1,,..,1,1)(ˆ
.,
2,,..,1,1)(ˆ
lainnyad
mTinjda
ij
ij
ij
.,
23,,,1)1(,)(ˆ
lainnyad
mmTiTKnKTnjdpa
ij
ijTnjij
Perlu diperhatikan bahwa, kendala pada (4.18)-(4.21) memuat cross product dari jX
adalah tidak konveks.
14
5. Solusi permasalahan defuzzifikasi
Pada bagian ini, akan dibahas metode modifikasi subgradient, Gasimov 2002 dan ini
akan digunakan untuk penyelesaian masalah defuzzifikasi (4.18)-(4.21). Sebagai catatan
bahwa, secara umum kendala pada (4.18)-(4.21) adalah non-konveks. Model ini
diselesaikan dengan metode himpunan decisive fuzzy, yang dibahas oleh Sakawa dan
Yana 1995, atau metode linearisasi oleh Kettani dan Oral, 1990.
5.1. Aplikasi metode modifikasi subgradient pada masalah pemrograman linear.
Penggunaan metode subgradien Gasimov 2002 pada masalah (4.18)-(4.21), pertama
dibentuk model kendala persamaan dengan variabel slak dan dan ditulis sebagai
berikut:
0y iy
maksimasi
(),, 10 zy
(5.1)
(5.2) 0)( 021
20
yzXczXgn
jjj
),,( ii yXg
mTn
jiijij ybXa
1
0)(ˆ , 2,...,1 mmTi (5.3)
, , 0 0,0 iyyjX 10 , mTj ,...,1 , 2,...,1 mmTi . (5.4)
Untuk masalah ini definisikan himpunan S:
}10,0,,0),,....,(),,...,(),,{( 011 iinn yyXyyyXXXpXS .
Karena )min(max dan ),...,(),,( 0 mggpXg augmented Lagrangian yang
bersesuaian dengan masalah (5.1)-(5.4) dapat ditulis dalam bentuk:
.2
1)(ˆ
021
)21
(0
21
22
1)(ˆ
2
021
)21(),,(
1
1
mmT
iybXauyz
n
jj
Xj
czz
mmT
iybXayz
n
jj
Xj
czzccuxL
iij
mTn
jiji
iij
mTn
jij
15
Sebagai ilustrasi pada (5.1)-(5.4) dilakukan dengan cara:
Tahap Inisialisasi. Pilih vektor dengan , ambil , dan
lanjutkan ke tahap utama.
),,...,,( 112
11
10 cuuu mmT 01 c 1k
Tahap Utama.
Tahap 1 . Berikan ; selesaikan submasalah di bawah ini: ),,...,,( 210kk
mmTkk cuuu
.2
1)(
1ˆ
021
)21
(0
21
22
1 1)(ˆ
2
021
)21(min
mT
i iy
ib
jX
mTn
jij
ai
uyzn
jj
Xj
czzu
mmT
i iy
ib
mTn
jj
Xij
ayzn
jj
Xj
czzc
.),,( SyX
Berikan suatu solusi. Jika , maka berhenti;
adalah penyelesaian masalah dual, adalah penyelesaian masalah (4.18)-(4.21).
Lainnya, lanjutkan ke tahap 2.
),,( kkk yX ),,( kkk yXg
), kk
),,...,,( 10kk
mTkk cuuu
(X
Tahap 2 . Berikan
02
1210
10 )( yzxczzhuu
n
jjj
kkk
n
jiijij
kki
ki ybXahuu
1
1 )(ˆ , mKiKm )1(1 dan 0 1 TK
)()(1k
kkkk xghcc
dimana dan adalah skalar positif (stepsizes) dan , ganti k dengan
; dan kembali ke Tahap 1.
kh k 0 kkh
1k
5.2. Algoritma metode himpunan keputusan fuzzy
Metode ini adalah didasari dari ide bahwa, untuk nilai tetap ; masalah (4.18)-
(4.21) adalah masalah pemrograman linear, Gasimov 2002. solusi optimal dari
masalah (4.18)-(4.21) adalah ekuivalen dengan menentukan nilai maksimum
*
(himpunan feasible tidak kosong).
16
Algoritma untuk masalah (4.18)-(4.21) adalah sebagai berikut:
Algoritma
Tahap 1. Berikan = 1 dan lakukan pengujian himpunan feasibel yang memenuhi
kendala pada probelm (4.18)-(4.21). Jika himpunan feasibel ada, berikan = 1: Lainnya,
berikan himpunan dan dan lanjutkan pada Tahap 2 berikut. 0L 1R
Tahap 2. Untuk nilai dari ; perbaiki nilai dari dan dengan
menggunakan metode bisection di bawah ini:
2/)( RL L R
L jika himpunan feasible tidak kosong untuk
R jika himpunan feasibel adalah kosong untuk .
Konsekwensi, untuk setiap , baik dengan adanya himpunan feasible dari (4.18)-
(4.21) atau tidak menggunakan fase satu dari metode simpleks dan menggambarkan nilai
maksimum yang memenuhi kendala pada (4.18)-(4.21). *
6. Mean Downside-Risk Freamwork
Para investor dalam prakteknya konsentrasi pada risiko bahwa nilai portofolio
jatuh pasti lebih rendah dari suatu level . Jika dinotasikan v adalah nilai portofolio diakhir
periode, dengan probabilitas )( VaRvP , untuk nilai portofolio jatuh lebih rendah dari
tingkat VaR , disebut shortfall probability, dan expected shortfall adalah , mean absolute
deviation )(v)(( EvvEvE , dan semi-varians ))((( 2 VaRvvEvE , jika
),1(, njx j merepresentasikan proporsi pada total jumlah uang yang disimpan pada
sekuritas j, )n,1(,dan jul jj masing-masing menotasikan proporsi minimum dan
maksimum pada total jumlah uang yang disimpan pada sekuritas j.
Berikan ),1(, njrj adalah variabel acak yang merepresentasikan rate of return pada
sekuritas, sehingga .
n
jjj xrv
1
17
Asumsikan bahwa investor ingin mengalokasikan sebagian kekayaannya n risiko
sekuritas. Jika profil risiko pada investor ditentukan dalam bentuk VaR, maka solusi
mean-VaR portofolio efisien dapat diselesaikan dengan permasalahan optimisasi berikut,
(Inuiguchi, 2000):
(P1)
.,1,
1
,)(
)(
1
njuxl
x
VaRvPkendala
vEmaksimasi
jjj
n
jj
x
Model (P1) ini menunjukkan bahwa investor mencoba memaksimumkan nilai portofolio
untuk waktu yang akan datang, yang membutuhkan probabilitas bahwa nilai portofolio
yang akan datang mendekati VaR dengan tidak lebih dari .
7. Kasus model proposional transaction cost
Biaya tansaksi adalah salah satu dari sumber yang menjadi perhatian dari manajer
portofolio. Arnott dan Wagner, 1990 menemukan bahwa transaction costs akan
mempengaruhi inefisien portofolio. Yoshimoto's empirical analysis, 1996 juga
menyimpulkan yang sama.
Jika diasumsikan bahwa tingkat transaction cost pada sekuritas ( 1, )j j n adalah dan
transaction cost pada sekuritas
jc
),1( njj adalah , sehingga tansaction cost pada
portofolio adalah . Dengan mempetimbangkan tansaction cost dan
kendala shortfall probability, diperoleh model mean VaR portofolio seleksi dengan
transaction cost adalah
jj xc
),...,( 1 nxxx
n
jjj xc
1
18
(P2)
.,1,
1
,)(
)(
1
1
njuxl
x
VaRvPkendala
xcvEmaksimasi
jjj
n
jj
n
jjj
x
8. Pengembangan model
Jika model di atas diterapkan pada multi asset, Supian 2007 [31, 35, 36], maka
nilai portofolio diakhir periode qivi ,1, , qiVaRvP ii ,1),)(( , expected shortfall
adalah ))(( iii VaRvvE , mean absolute deviation )()(( iiii vEvvEvE , dan semi-
varians ))()((( 2iiii vEvvEvE , jika ),1(, njx j merepresentasikan proporsi pada
total uang yang disimpan pada sekuritas j, ),1(,dan 21 njul jj berturut-turutut
menotasikan proporsi minimum dan maksimum pada total jumlah uang yang simpan pada
sekuritas j adalah variabel acak yang merepresentasikan rate of i return pada sekuritas j.
Untuk nj ,1 dan qi ,1 , berikan qinjrji ,1,,1, adalah variabel acak yang
merepresentasikan rate of i return pada sekuritas j adalah .
n
jjjii xrv
1
Asumsikan bahwa investor mengalokasikan sebagian kekayaannya n risiko sekuritas. Jika
profil risiko pada investor ditentukan dalam bentuk qiVaR i ,1,)( , maka solusi mean-
VaR portofolio efisien dapat diselesaikan dengan permasalahan optimisasi berikut,
(Supian, 2007 [31, 35])
19
(8.1) )](),([ 1 qRx
vEvEmaksimasin
qiVaRvkendala iii ,1,)Pr (8.2)
, (8.3)
n
jjx
1
1
njMxM jjj ,1,21 . (8.4)
Model ini menunjukkan bahwa investor mencoba memaksimumkan nilai portofolio untuk
waktu yang akan datang, yang membutuhkan probabilitas bahwa nilai portofolio yang
akan datang mendekati (VaR)i dengan tidak lebih dari qii ,1, .
9. Kasus model proposional transaction cost
Jika diasumsikan bahwa rate of transaction cost pada sekuritas ),1( njj dan
dialokasikan pada qii ,1, aset adalah . Transaction cost pada sekuritas jic j dan di
alokasikan pada i aset adalah . Transaction cost pada portofolio jj xc 1( ,..., )nx xx
adalah qi xcn
jjji ,1,
1
. Dengan mempetimbangkan tansaction cost dan kendala shortfall
probability, maka model mean VaR portofolio seleksi dengan transaction cost adalah
(9.5) ])(,)([11
11
n
jjjqq
n
jjj
RxxcvExcvEmaksimasi
n
qiVaRvkendala iii ,1,)Pr (9.6)
, (9.7)
n
jjx
1
1
njMxM jjj ,1,21 . (9.8)
20
10. Model posibilistik mean VaR portofolio seleksi
10.1 Teori posibilistik
Dasar dari konsep dan teknik dari teori possibility dikemukakan oleh Zadeh, 1970.
Misalkan a~ dan b~
dua bilangan fuzzy dengan fungsi keanggotaan masing-masing
berturut-turut ba dan ~~ dan
b~ , maka possibilitas dari a~ dan b
~didefinisikan
sebagai berikut: (Dubois dan Prade 1990),
}.))(),(sup{min()~~(
,},))(),(sup{min()~~(
},,))(),(sup{min()~~(
~~
~~
~~
R
R,
R,
xxxbaPos
yxyxyxbaPos
yxyxyxbaPos
ba
ba
ba
(10.1)
Jika b~
adalah suatu bilangan crisp (invariabel) b, didapat
)(}~(
},)(sup{}~{
},)(sup{}~{
~
~
~
bbaPos
bxxxbaPos
bxxxbaPos
a
a
a
R
R
(10.2)
Untuk suatu operasi dengan bilangan biner dari himpunan fuzzy. Jika
dinotasikan bilangan fuzzy bilangan , maka fungsi keanggotaan
RRR :f
ba~
,~ )~
,~(~ bafc c~
dapat diurunkan dari fungsi keanggoaan a~ dan b~ dengan
)},(,,))(),(sup{min()( ~~~ yxfzyxyxzbac R (10.3)
Untuk suatu . Jadi, posibilistik bahwa bilangan fuzzy mempunyai nilai
adalah lebih besar dari kombinasi kemungkinan dari bilangan riil x,y sedemikian
z = f(x,y), dimana nilai
Rz )~
,~(~ bafc
Rz
a~ dan b~
berturut-turut x dan y.
10.2 Bilangan trapezoidal fuzzy
Rate of return pada sekuritas diberikan dengan bilangan trapezoidal fuzzy
),,,(~4321 rrrrr dimana 4321 rrrr . Maka fungsi keangotaan bilangan fuzzy r~
diformulasikan:
21
.,0
,
,,1
,,
)(
,4343
4
32
2112
1
~
lainnya
rxrrr
rxrxr
rxrrr
rx
xr (10.4)
Ambil rate of return pada sekuritas dengan bilangan trapezolidal fuzzy ),,,(~4321 rrrrr
dimana 4321 rrrr . Maka fungsi keanggotaan dari fuzzy r~ dapat ditulis:
.,0
,
,,1
,,
)(
,4343
4
32
2112
1
~
lainnya
rxrrr
rxrxr
rxrrr
rx
xr (10.5)
Jika diambil dua trapezoidal bilangan fuzzy ),,,(~4321 rrrrr dan ),,,(
~4321 bbbbb ,
seperti terlihat pada Gambar 10.1.
Jika , maka diperoleh: 32 br
yxyxbrPosbr )}(),(min{sup
~~~~
,11,1min)(),(min 3~2~ brbr mengakibatkan bahwa 1)
~~( brPos .
Jika dan , mengakibatkan . Jika dan 32 br 41 br 1)~~( brPos 32 br 41 br
maka suprimum adalah x yang merupakan irisan dari dua fungsi keanggotaan )(~ xr
dan )(~ xb
, dimana )1rx ( 21 rr .
Jika , maka untuk suatu 41 br yx , satu dari persamaan
0)(,0)( ~~ yxbr , benar.
22
)(~ xb
)(~ xr
1 0 b1 b2 r1 b3 x r2 r3 b4 r4
Gambar 10.1: Dua trapezoidal bilangan fuzzy r~ dan b~
.
Jadi diperoleh 0~~ brPos .
Kemudian dapat disimpulkan bahwa
(10.6)
.,0
,,,
,,1~~
41
4132
32
br
brbr
br
brPos
Secara khusus, dimana b~
adalah bilangan 0, maka diperoleh
(10.7)
,0,0
,0,
,0,1
0~
1
21
2
r
rr
r
rPos
dimana
21
1
rr
r
. (10.8)
Perhatikan lemma berikut:
Lemma 10.1 (Dubois dan Prade, 1990) Ambil 4321 ,,,~ rrrrr adalah bilangan
trapezoidal fuzzy. Maka untuk suatu tingkat konfiden dengan 10 ,
)0~(rPos , jika dan hanya jika 1)1( r + 02 r .
23
Himpunan bilangan fuzzy 4321 ,,,~ rrrrr dengan tingkat (level) adalah suatu
himpunan bagian crisp dari R dan dinotasikan },)({]~[ Rxxxr , dengan
mengacu pada Carlsson 2002, diperoleh
)](),([},)({]~[ 344121 rrrrrrRxxxr .
Level dari bilangan fuzzy 4321 ,,,~ rrrrr adalah himpunan crisp dari R dan
dinotasikan dengan },)({]~[ , maka dengan mengacu pada Carlsson
2001, didapat
Rxx xr
)](),([},)({]~[ 344121 rrrrrrRxxxr .
Jika diberikan )](),([]~[ 21 aar , posibilistik nilai rata-rata crisp dari 4321 ,,,~ rrrrr
adalah 1
0 21 ))()(()~(~ daarE , dimana E
~adalah operator mean.
Dapat diuraikan jika 4321 ,,, ~ rrrrr , maka trapezoidal fuzzy number adalah
63
))()(()~(~ 4132
1
0 344121
rrrrdrrrrrrrE
. (10.9)
10.3 Formulasi portofolio efisien
Ambil adalah proposional dari total sejumlah uang yang disimpan sekuritas j,
dan berturut-turut menotasikan proporsi minimum dan maximum dari total
semua uang yang dipilih pada sekuritas
jx
jM1 jM 2
j . Bilangan trapezoidal fuzzy dari adalah jir
4)(3))( , jiji rr (, jir2)(1, jir~jir dimana r 4)(3)(21)( jijiji rr)( jir . Jika tingkat (VaR)i dengan
bilangan trapezoidal 43,21 ,,~
ibiii bbbib , qi ,1 .
Dengan pendekatan ini perhatikan model pada (9.5)-(9.8) dapat direduksi dari
teorema berikut: (Supian 2007 [34])
24
Teorema 10.1 Posibilistik mean VaR portofolio seleksi untuk vector mean VaR , model
efficient portofolio (9.5)-(9.8) adalah
(10.10)
n
jjjk
n
jjjk
n
jjj
n
jjj
Rx
xcxrExcxrEmaksimasin
1111
11
~~,...,~~
,,1,~~
1
qibxrPoskendala iij
n
jji
(10.11)
, (10.12)
n
jjx
1
1
njMxM jjj ,1,21 . (10.13)
Dengan menggunakan White 1995, Teorema 10.1 dapat dikembangkan menjadi
teorema sebagai berikut: Supian 2007 [,31, 32, 35]
Teorema 10.2. Jika qii ,1,0 , maka efscien portofolio untuk model posibilistik
adalah solusi optimal dari permasalahan di bawah ini:
(10.13)
n
jjji
n
jjji
q
ii
RxxcxrEmaksimasi
n111
~~
,,1,~~
1
qibxrPoskendala iij
n
jji
(10.14)
, (10.15)
n
jjx
1
1
njMxM jjj ,1,21 . (10.16)
Dengan menggunakan tingkat return pad a sekuritas ),1( njj dengan bilangan
trapezoidal fuzzy, maka dapat dirumuskan teorema berkut: Supian 2007 [31,32,35]
Teorema 10.3 Rate of return pada sekurtias ),1( njj dengan bilangan trapezoidal
fuzzy 4)(3)(2)(1)( ,,,~jijijijiji rrrrr dimana 4)(3)(2)(1)( jijijiji rrrr dan
432 ,,1,~
ii bbiii bbb
0i
adalah trapezoidal fuzzy number untuk VaR level dan
,dengan qi ,1 , maka dengan menggunakan model possibilistic mean VaR
portofolio seleksi, efisien portofolio adalah solusi optimal dari permasalahan berikut: 25
n
jjji
n
jjji
n
jjji
n
jjji
n
jjjiq
ii
Rxxc
xrxrxrxr
maksn
1
14)(
11)(
13)(
12)(
1 63 (10.17)
qbxrbxrkendalan
jijjii
n
jijjii ,11,01
132)(
141)(
(10.18)
, (10.19)
n
jjx
1
1
njMxM jjj ,1,21 . (10.20)
Proof : Dari persamaan (10.9), diperoleh:
qi
xrxrxrxr
xrE
n
jjji
n
jjji
n
jjji
n
jjjin
jjji ,1,
63~~ 1
4)(1
1)(1
3)(1
2)(
1
.
Dari Lemma 10.1, diperoleh:
qibxrPos i
n
jijji ,1,
~~1
, is equivalent with
. 011
32)(1
41)(
n
jijjii
n
jijjii bxrbxr
Juga, dari (10.17)-(10.20) dengan menggunakan Teorema 10.2, diperoleh bentuk berikut:
n
jjji
n
jjji
n
jjji
n
jjji
n
jjjiq
ii
Rx
xc
xrxrxrxr
maksn
1
14)(
11)(
13)(
12)(
1 63 (10.21)
, (10.22) 011
32)(1
41)(
n
jijjii
n
jijjii bxrbxrkendala
(10.23)
n
jjx
1
1
26
qjMxM jjj ,1,21 . □ (10.24)
Permasalahan (10.21)-(10.24) adalah standar dari permasalahan pemrograman linear
multi-objektif. Untuk mencari solusi optimal dapat menggunakan algoritma dari
pemrograman multi-objektif Caballero, 2001, Preda, 1993.
11. Contoh Kasus
Sebagai ilustrasi untuk model posibilistik mean VaR portofolio seleksi, misalkan
permasalahan 5-sekuritas dengan distribusi possibiliti berikut : (Guohua, 2006)
)07.0,06.0,05.0,04.0(1 r , , )07.0,065.0,06.0,04.0(2 r
)01.0,07.0,065.0,05.0(4
,
, )08.0,075.0,68.0,048.0(3 r r ,
. )116.0,085.0,075.0,05.0(5 r
VaR level adalah )05.0,048.0,046,0,04.0(~b
,001.0,001.0,0 432
. Rates dari transaction costs pada
sekuritas adalah 003.0,002.0 51 ccc cc .
Untuk β =0.01, maka
.,1
,1
,0))1(
63
.
1
1 13241
1
1 141
13
12
nj
uxl
x
bxrbxrkendala
xc
xrxrxrxr
maks
jjj
n
jj
n
j
n
jjjjj
n
jjj
n
j
n
jjjjj
n
jjj
n
jjj
x
27
.5,1,05,00
,1
04998,05025.05015.00482.00402.00401.0
078.0067.0068.0059.0055.0
1
54321
54321
jx
x
xxxxxkendala
xxxxxMaks
j
n
jj
x
Dengan menggunakan model pemrograman linear diperoleh hasil (0, 0, 0.112821,
0.387179, 0.50), dan nilai optimal 0.0731128. Portofolio optimal adalah (0, 0, 0.112821,
0.387179, 0.50), possibility return optimal = 0.0731128.
Dengan cara yang sama bisa dicari untuk nilai β=0.03, β=0.05 dst.
Kesimpulan
Dalam karya ilmiah ini, mempertimbangkan distribusi possibility trapezoidal sebagai
distribusi possibility dari rate of returns dalam sekuritas dan mengusulkan sebuah model
possibilistic mean VaR portofolio. Sebuah pendekatan pemrograman posibilistik yang
berbasis pada fuzzy VaR telah diusulkan. Masalah pemrograman posibilistik dapat
diselesaikan dengan mentranformasinya ke dalam masalah pemrograman linear yang
berbasis teori posibilistik. Model posibilistik ini kemudian dikembangkan dengan
menggunakan faktor pembobot oleh Supian, 2007 [31, 32, 36] dengan mengacu pada
model dasar Fuller dan Majlender, 2002. Sebagai implementasi model ini diberikan
contoh numerik untuk memberikan gambaran bahwa metode yang diusulkan dapat
digunakan secara efisien untuk menyelesaikan masalah pemilihan portofolio.
Daftar pustaka [1] Andrzej Ruszczynsk and Robert J. Vanderbei, “Frontiers of stochastically
nondominated portofolio” Operations research and financial engineering, Princeton University, ORFE -0-01,2002.
28
[2] Arnott, R.D. and Wanger, W.H., The measurement and control of trading costs, Financial Analysts Journal, 46(6), 73-80, 1990.
[3] Bellman, R. and Zadeh, L.A., Decision making in a fuzzy environment, Management Science, 17, 141-164, 1970.
[4] Birge, J.R. and Louveaux, F.V., Introduction to Stochastic Programming, Springer, New York, 1997.
[5] Caballero R., Cerda E., Munoz M. M., L. Rey, and I. M. Stancu Minasian, Efficient solution concepts and their relations in stochastic multi-objective programming. Journal of Optimization Theory and Applica-tions, 110(1):53-74, 2001.
[6] Carlsson, C. and Fuller, R., On possibilistic mean value and variance of fuzzy numbers, Fuzzy sets and systems, 122, 315-326, 2001.
[7] Carlsson, C., Fuller, R. and Majlender, P., A possibilistic approach to selecting portofolios with highest utilty score, Fuzzy sets and systems, 131, 13-21, 2002.
[8] Dentcheva, D. and Ruszczynski, A, Optimization under linear stochastic dominance, Comptes Rendus de l’Academie Bulgare des Sciences 56, No. 6, pp. 6–11, 2003.
[9] Dentcheva, D. and Ruszczy´nski, A., Portofolio Optimization with Stochastic Dominance Constraints, May 12, 2003.
[10] Darinka Dentcheva and Ruszczy´nski, A., Optimization with stochastic dominance constraints, Siam J. Optim.Society For Industrial And Applied Mathematics Vol. 14, No. 2, Pp. 548–566, 2003.
[11] Dubois, D. and Prade, H., Possibility theory, Plenum press, New York 1998. [12] Fernando, K. F., Practical Portofolio Optimization, NAG. Ltd., Wilkinson House
Jordan Hill Oxford OX2 8DR. [13] Fuller, R. and Majlender, P., On weighted possibilistic mean value and variance of
fuzzy numbers, Turku Centre for Computer Science, 2002. [14] Gasimov, R. N., Yenilmez K., Solving fuzzy linear programming probelms with
linear membership functions, Turk J Math. 26 , 375 -396, 2002. [15] Guohua C., A possibilistic mean VaR model for portofolio selection, AMO-
Advanced Modeling and Optimization, Vol. 8, No. 1, 2006. [16] Hanoch, G.and Levy, H., The efficiency analysis of choices involving risk, Rev.
Econom.Stud., 36, pp. 335–346,1969. [17] Hull, J. C., White, D. J., Value-at-risk when daily changes in market variabel are
not normally distributed, Journal of Derivatives 5, 9-19, 1998. [18] Inuiguchi, M. and Ramik, J., Possibilistic linear programming: a brief review of
fuzzy mathematical programming and a comparison with stochastic programming in portofolio selection probelm, Fuzzy Sets and Systems, 111, 3-28, 2000.
[19] Hadar, J. and Russell, W., Rules for ordering uncertain prospects, Amer. Econom. Rev., 59, pp. 25–34, 1969.
29
[20] Kettani, O., Oral, M.: Equivalent formulations of nonlinear integer probelms for eficient optimization, Management Science Vol. 36 No. 1, 115-119, 1990.
[21] Klir, G.J., Yuan, B., Fuzzy Sets and Fuzzy Logic-Theory and Applications, Prentice-Hall Inc. , 574p, 1995.
[22] Lehmann E., Ordered families of distributions, Annals of Mathematical Statistics, 26, pp. 399–419, 1955.
[23] Manfred Gilli and Evis K¨ellezi., A Global Optimization Heuristic for Portofolio Choice with VaR and Expected Shortfall, This draft: January 2001.
[24] Markowitz, H. M. , Mean–Variance Analysis in Portofolio Choice and Capital Markets, Blackwell, Oxford, 1987.
[25] Negoita, C.V.: Fuzziness in management, OPSA/TIMS, Miami ,1970. [26] Quirk, J.P and Saposnik, R., Admissibility and measurabel utility functions, Review
of Economic Studies, 29, pp. 140–146, 1962. [27] Rockafellar, R.T. and Uryasev S., Conditional value-at-risk for general loss
distributions,J. Banking and Finance, 26, pp. 1443–1471, 2002. [28] Ruszczynski A. and Vanderbei R. J., Frontiers of stochastically nondominated
portofolios, Operations Research and Financial Engineering, Princeton University, ORFE-02-01, 2002.
[29] Rockafellar, R.T. and. Wets, R.J.-B., Stochastic convex programming: Basic duality , Pacific J.Math., 62, pp. 173-195, 1976.
[30] Sakawa, M., Yana, H.: Interactive decision making for multi-objective linear fractional programming probelms with fuzy parameters, Cybernetics Systems 16, 377-397, 1985.
[31] Supian, S., Contributions to Portofolio Optimization Model, Teză de Doctorat, Universitatea din Bucureşti, 2007.
[32] Supian, S., “Mathematical Programming Models for Portofolio Selection, editura Universităţii din Bucureşti, 2007.
[33] Supian, S., Preda, V., On portofolio optimization using fuzzy decisions, ICIAM, Elvetia, Zürich, , Juli 2007, InterScience, WILEY-VCH Verlag GmbH & Co. KGaA, Weinheim, Volume 7, Issue 1, Page 2060075, 12 Dec 2008
[34] Supian, S., On possibilistic approach for a portofolio selection, Romanian Academy, Mathematical Reports, Vol. 9(59). No. 3. 2007.
[35] Supian, S., Popescu, C. and Ghica, M., .A portofolio selection probelm with a possibilistic approach, 22ND European Conference on operational research, Prague July 2007.
[36] Supian, S., .The weighted possibilistic mean variance and covariance of fuzzy numbers, Journal of Applied Quantitative Methods, vo. 2, No. 3 Fall, 2007.
[37] Tanaka, H., Asai, K.: Fuzzy linear programming probelms with fuzzy numbers, Fuzzy Sets and Systems 13, 1-10, 1984.
30
[38] Tanaka, H., Okuda, T., Asai, K.: On fuzzy mathematical programming, J. Cybernetics 3 , 37-46, 1984.
[39] Uryasev, S. and R.T. Rockafellar, Conditional value-at-risk: Optimization approach, in Stochastic Optimization: Algorithms and Applications (Gainesville, FL, 2000), Appl. Optim. 54, Kluwer Academic, Dordrecht, The Netherlands, pp. 411–435, 2001.
[40] White, D. J., Multiple objective weighting factor auxiliary optimizationprobelms, J. Multi-Criteria Decision Analysis, 4, 122-132, 1995.
[41] Zimmermann, H.J., Fuzzy mathematical programming, Comput. & Ops. Res. Vol. 10 No 4 (1983) 291-298.
31
LAMPIRAN Proposisi 3.2 Jika diasumsikan bahwat njR j ,...,1, , dan Y berdistribusi diskrit maka
permasalahan (3.5)–(3.7) adalah ekivalen dengan permasalahan
(3.9) )(xfmaks
, kendala Ttmiiitj
n
jjt ysxr
1
,...,1,,...,1 , (3.10)
) , ;(21
iit
T
tt yYFsp
,,...,1 mi (3.11)
(3.12) 0s tm ,...,1,,...,1 it i T
(3.13)
n
jjx
1
1
(3.14)
n
jjx
1
1
0 , j=1,…,n (3.15) jx
dan hal ini ekivalen terhadap masalah :
(3.16)
n
jjj XcmaksXmaks
1
)(
kendala, , (3.17) mmTibxamTn
jijij
2,...,1,1
, 0 mTnjjX ,...,1 (3.18)
dimana ),...,,...,,...,,,...,,,...,( 12211111 mTmTTn ssssssxxX
lainnya
iTnnjandTKmKKmi
TKmKKmiinjr
aij
ij
,0
1)1(,...,1)1(,...,0,)1(,...,1,1
)1(,...,0,)1(,...,1,,...,1,
lainnya
mTinjaij ,0
1,,..,1,1
lainnya
mTinjaij ,0
2,,..,1,1
,,0
2,...,3,,...,1,...,1)1(,)1(
lainnya
mmTmTimKandTKnKTnjpa KTnj
ij
Permasalahan (3.16)-(3.18) dapat dinyatakan dalam bentuk tabel di bawah ini:
1x 2x … nx s11 s12 … s1T s21 s21 s2T … sm1 sm2 … smT
ib
11r 12r … nr1 -1 0 … 0 0 0 … 0 … 0 0 … 0
1y
11r 12r … nr1 0 0 … 0 -1 … 0 … 0 0 … 0
2y
: : … : : : … : : … : … : : … : :
11r 12r … nr1 0 0 0 0 … 0 … 0 0 … -1
my
21r 22r … nr2 0 -1 … 0 0 0 … 0 0 … 0
1y
21r 22r … nr2 0 0 … 0 0 -1 … 0 0 … 0
2y
: : … : : : … : : : … : : … : :
21r 22r … nr2 0 0 0 0 0 … 0 -1 … 0
my
: : : : : : … : : : : : : : : : :
1Tr 2Tr … Tnr 0 0 … -1 0 0 … 0 … 0 0 … 0
1y
1Tr 2Tr … Tnr 0 0 0 0 -1 … 0 … 0 0 … 0
2y
: : … : … : : … 0 :
1Tr 2Tr … Tnr 0 0 0 0 0 … 0 … 0 0 … -1
my
1 1 … 1 0 0 0 0 0 … 0 0 … 0 1 -1 -1 … -1 0 0 … 0 0 … 0 … 0 0 … 0 -1 0 0 … 0
1p 2p … Tp 0 … 0 … 0 0 … 0 F2(Y,y1)
0 0 … 0 0 0 … 0 1p …
Tp … 0 0 … 0 F2(Y,y2)
: : : : : : … : : : : : : : : : : 0 0 … 0 0 0 … 0 0 … 0 …
1p 2p … Tp F2(Y,ym)